Экспериментальная часть.
Использование нейросетевых технологий для алгоритмизации процесса выбора тактики лечения больных хронической сердечной недостаточностью с оперированными приобретенными пороками сердца

РефератПомощь в написанииУзнать стоимостьмоей работы

Итоги построения моделей нейросетей представлены в табл. 1. Для обучения сети был применен алгоритм BFGS, логистическая и гиперболическая функции активации, для активации выходного слоя дополнительно была использовании функция Softmax. При анализе матрицы ошибок на обучающей подвыборке (табл. 2) по всем моделям видим, что две сети правильно классифицируют данные, но сеть номер 2 обладает наиболее… Читать ещё >

Экспериментальная часть. Использование нейросетевых технологий для алгоритмизации процесса выбора тактики лечения больных хронической сердечной недостаточностью с оперированными приобретенными пороками сердца (реферат, курсовая, диплом, контрольная)

нейронный сеть автоматизация медицина Таблица 1 — Итоги построения нейросетей.


№.	Архитектура сети.	Производительность на подвыборках.	Алгоритм обучения.	Функции активации.
Обучающая.	Тестовая.	Контрольная.	Скрытый слой.	Выходной слой.
	MLP 8−10−3.	96,4286.	100,0000.	94,4444.	BFGS 11.	Логистич.	Логистич.
	MLP 8−4-3.	100,0000.	100,0000.	100,0000.	BFGS 7.	Гиперб.	Softmax.
	MLP 8−6-3.	100,0000.	100,0000.	100,0000.	BFGS 4.	Гиперб.	Softmax.
	MLP 8−6-3.	98,8095.	100,0000.	100,0000.	BFGS 8.	Гиперб.	Гиперб.
	MLP 8−10−3.	97,6190.	100,0000.	100,0000.	BFGS 18.	Логистич.	Логистич.

При анализе матрицы ошибок на обучающей подвыборке (табл. 2) по всем моделям видим, что две сети правильно классифицируют данные, но сеть номер 2 обладает наиболее простой архитектурой.

Таблица 2 — Матрица ошибок.


Классы.	Y1.	Y2.	Y3.	Всего.
Исходные данные.	25,0000.	29,0000.	30,0000.	84,0000.
1. MLP 8−10−3.	Верная классификация.	25,0000.	27,0000.	29,0000.	81,0000.
Ошибки.	0,0000.	2,0000.	1,0000.	3,0000.
Верная классификация (%).	100,0000.	93,1034.	96,6667.	96,4286.
Ошибки (%).	0,0000.	6,8966.	3,3333.	3,5714.
2. MLP 8−4-3.	Верная классификация.	25,0000.	29,0000.	30,0000.	84,0000.
Ошибки.	0,0000.	0,0000.	0,0000.	0,0000.
Верная классификация (%).	100,0000.	100,0000.	100,0000.	100,0000.
Ошибки (%).	0,0000.	0,0000.	0,0000.	0,0000.
3. MLP 8−6-3.	Верная классификация.	25,0000.	29,0000.	30,0000.	84,0000.
Ошибки.	0,0000.	0,0000.	0,0000.	0,0000.
Верная классификация (%).	100,0000.	100,0000.	100,0000.	100,0000.
Ошибки (%).	0,0000.	0,0000.	0,0000.	0,0000.
4. MLP 8−6-3.	Верная классификация.	25,0000.	28,0000.	30,0000.	83,0000.
Ошибки.	0,0000.	1,0000.	0,0000.	1,0000.
Верная классификация (%).	100,0000.	96,5517.	100,0000.	98,8095.
Ошибки (%).	0,0000.	3,4483.	0,0000.	1,1905.
5. MLP 8−10−3.	Верная классификация.	24,0000.	29,0000.	29,0000.	82,0000.
Ошибки.	1,0000.	0,0000.	1,0000.	2,0000.
Верная классификация (%).	96,0000.	100,0000.	96,6667.	97,6190.
Ошибки (%).	4,0000.	0,0000.	3,3333.	2,3810.

Показать весь текст

Заполнить форму текущей работой

Другие работы

Сравнительный анализ существующих ИС

Начнем с построения матрицы попарных сравнений для критериев, т. е. со второго уровня иерархии (на первом уровне наша цель — выбор информационной системы, на третьем — альтернативы). Заполняя таблицу 1.5.2, попарно сравниваю критерий из строки с критерием из столбца по отношению к цели — выбору информационной системы. Значения из шкалы относительной важности вписываю в ячейки, образованные…

Реферат